孙淑娥，姚 柳，赵 怡

(1.西安石油大学 理学院，陕西 西安 710065； 2.西安热工研究院有限公司，陕西 西安 710054； 3.西安电子科技大学 数学与统计学院，陕西 西安 710126)

引 言

数据融合技术目的是通过多源信息来获取更简单、准确的判断，即通过融合多个传感器捕获的实时数据与相关数据库中的信息以获取更准确的数据。目前，该技术已被应用于多个领域，如人脸识别[1]、疾病诊断[2]、目标跟踪[3]等。在现实生活中，很多数据都属于时间序列数据。然而时间序列数据[4]除了具有数据量大、维度高、特征多、高噪声等特性，还有一个非常重要的特征,即数据的连续性，这些连续数据通常被看作是一个整体而非独立的个体。当前，时间序列数据融合面临着两大难题：一是原始数据去噪。由传感器捕获的数据通常存在大量的环境噪音和设备噪音，而这些噪音会增加特征提取的难度，因此数据去噪是数据融合中的核心步骤之一。传统去噪算法主要有小波阈值去噪、经验模式分解(EMD)等。由于多源时序数据具有数据量大、结构复杂等特点，以致这些方法难以获得稳定的结果。二是从多源传感器中提取序列数据的时间连续性特征。现有的特征提取方法主要有主成分分析法、线性判别分析，但其难以提取到时序数据的连续特征。

目前，基于神经网络的时间序列数据融合算法有：层叠自动编码器[5]、径向基函数(RBF)神经网络、BP神经网络[5-6]、深度神经网络(DNN)[7]、卷积神经网络(CNN)[8]。文献[7]研究表明DNN网络本身就是一个融合结构，通过网络层之间的连接实现原始数据的特征提取以及逐层融合。……